计数电路：大型视觉 - 语言模型中视觉推理的机械可解释性

本研究探讨大型视觉 - 语言模型（LVLM）如何实现计数任务，结合合成与真实基准及机械分析。结果显示 LVLM 表现出类人计数行为。作者提出视觉激活修补和 HeadLens 两种新可解释性方法，揭示了跨多种视觉推理任务共享的结构化“计数电路”。基于此，提出一种轻量级干预策略，仅利用合成图像微调预训练模型。该策略不仅提升了分布内计数精度，还显著改善了分布外计数基准及复杂通用视觉推理任务的表现，凸显了计数在视觉推理中的核心作用。